初识爬虫

一、爬虫简介

模拟浏览器，发送请求，获取响应

网络爬虫，英文名为Spider,又称为网页蜘蛛，网络机器人，在数据分析应用中，更多的将爬虫称为数据采集程序，是一种按照一定的规则，自动地抓取网络信息的程序或者脚本。

l 原则上,只要是客户端(浏览器)能做的事情，爬虫都能够做

l 爬虫也只能获取客户端(浏览器)所展示出来的数据

网络中的数据可以是由web服务器【Nginx/Apache】，数据库服务【MySQL/Redis/MongoDB】，索引库，大数据，视频/图片库，云存储【阿里云的OSS】等提供的,最主要的来源是Web服务器

不过，大家一定要注意哦，可爬取的数据必须是公开的，非盈利的，如：如果侵入人家非公开的网络，人家会通过ip定位到你，属于违法行为的哦，再或者，一些理财的网站，如果爬取数据，肯定是不可以的，如果小伙伴们不听话，非要去爬取，那任何人都是保护不了你的哦，狗头保命~~~

有名的爬虫案件：简历大数据公司“巧达科技”被一锅端、“车来了”涉嫌偷数据被警方立案等

二、爬虫分类

通用爬虫：

通用网络爬虫从互联网中搜集网页，采集信息，这些网页信息决定着整个引擎系统的内容是否丰富，信息是否即时，因此其性能的优劣直接影响着搜索引擎的效果

大家要注意哦，通用爬虫虽然简单，方便，但是缺点也是显而易见的，小助手给大家列举了几点，大家可以了解一下：

l 通用搜索引擎所返回的结果都是网页，而大多情况下，网页里90%的内容对用户来说都是无用的。

l 不同领域、不同背景的用户往往具有不同的检索目的和需求，搜索引擎无法提供针对具体某个用户的搜索结果。

l 万维网数据形式的丰富和网络技术的不断发展，图片、数据库、音频、视频多媒体等不同数据大量出现，通用搜索引擎对这些文件无能为力，不能很好地发现和获取。

l 通用搜索引擎大多提供基于关键字的检索，难以支持根据语义信息提出的查询，无法准确理解用户的具体需求。

聚焦爬虫：

聚焦爬虫，是"面向特定主题需求"的一种网络爬虫程序，它与通用搜索引擎爬虫的区别在于： 聚焦爬虫在实施网页抓取时会对内容进行处理筛选，尽量保证只抓取与需求相关的网页信息, 如12306抢票，或专门抓取某一个（某一类）网站数据

根据是否以获取数据为目的，可以分为：

l 功能性爬虫，给你喜欢的明星投票、点赞

l 数据增量爬虫，比如招聘信息

2. 根据url地址和对应的页面内容是否改变，数据增量爬虫可以分为：

l 基于url地址变化、内容也随之变化的数据增量爬虫

l url地址不变、内容变化的数据增量爬虫

看到这里，大家是不是发现通用爬虫简单，但是不实用，聚焦爬虫应用比较广泛，而且实用，但是实现起来难度较大，不过没事的哈，有小助手的帮助，我们都能学会的，奥利给！！！

三、爬虫的作用

爬虫在互联网世界中有很多的作用，比如：

1. 数据采集,比如：

抓取微博评论(机器学习舆情监控)

抓取招聘网站的招聘信息(数据分析、挖掘)

新浪滚动新闻

百度新闻网站

2. 软件测试

爬虫之自动化测试

自动化测试所必需的selenium . selenium是一个用于Web应用程序测试的工具,selenium 测试直接运行在浏览器中,就像真正的用户在操作一样。 支持的浏览器包括IE,chrome和Firefox等。其实就是借助于selenium做爬虫的事情。

3. 抢票和投票

4. 网络安全

短信轰炸

web漏洞扫描

四、技术步骤

第1步：爬取数据，实际上就是根据一个网址向服务器发起网络请求，获取到服务器返回的数据

第2步：解析数据，将服务器返回的数据转换为人容易理解的样式

第3步：筛选数据，从大量的数据中筛选出需要的数据

第4步：存储数据，将筛选出来的有用的数据存储起来，如：数据库，CSV文件，Excel文件，JSON文件等

只要小伙伴们按照这四个步骤操作，实现一个爬虫任务还是很简单的

好了，我们本节课的内容就到此结束啦，通过本节课的学习，我们对爬虫有了大概的认识，并大概了解了爬虫相关的一些相关技术，有了这些概念的加持，对我们学习后面的内容会有很大的帮助，期待大家学习完爬虫的全部课程之后，能有一个不错的收获